[发明专利]一种锂电池剩余寿命结合预测方法

权利要求书

1.一种锂电池剩余寿命结合预测方法，其特征在于：

包括以下步骤：

S1:获取锂电池特征数据，筛选容量数据；

S2:将容量数据分为训练集和测试集，训练集容量数据输入序列进行训练；

S3:构建锂电池支持向量回归模型，核函数为径向基函数，以sigmoid作为激活函数，获得剩余容量预测模型，并将测试集容量数据输入训练，获得初步剩余容量预测值，初步剩余容量预测值减去上一步积累误差获得剩余容量预测值f₁(x)；所述S3包括：

S3-1:构建锂电池支持向量回归模型的目标函数为:

其中W为分界系数，C为正则化常数，l_∈为不敏感损失函数，f(x_i)-y_i为表示可以容忍的偏差；

S3-2:使用公式得到边界上的向量支撑分界线，引入松弛变量以及拉格朗日乘子α_i转化为SVR的对偶函数，再引入KKT条件最终得到SVR的对偶函数:

表示式中由SVR的对偶函数中拉格朗日函数求偏导得到,使公式的样本即为SVR的支持向量，b为决定超分界线的参数；

S3-3:将训练集容量数据x_i输入进行训练，将测试集的容量数据x输入，最后得到剩余容量预测值f₁(x)；

S4:构建锂电池长短期记忆网络模型，包括输入层、隐藏层和输出层，获得剩余容量预测模型，并将训练集容量数据输入训练得出对应的初步剩余容量预测值，初步剩余容量预测值减去上一步积累误差获得剩余容量预测值f₂(x)；所述S4的包括：

S4-1:构建锂电池长短期记忆网络模型，确定锂电池长短期记忆网络模型的输入层、隐藏层和输出层；输入层的神经元个数对应输入的训练集容量数据特征，并初始化网络权重，隐藏层包括LSTM神经网络单元、dropout层、全连接层和激活层，输出层为神经网络测试集容量数据，LSTM神经网络由多个相同结构单元组成，并通过遗忘门、输入门及输出门来控制信息的更新与使用；对于给定序列

x＝(x₁,x₂,……,x_n)

应用一个标准的RNN模型，通过迭代：

hi_n＝f_a(w_xhix_n+w_hihihi_n-1+b_n)

h_n＝w_hihhi_n+b_h

其中w为权重系数，矩阵w_xhi表示输入层到隐藏层的权重系数矩阵，w_hihi为隐藏层之间的权重系数矩阵，x_n为当前时刻的输入，hi_n-1为上一次迭代的隐藏层，b为偏置向量，f_a为激活函数；最终获得hi_t为此刻迭代的隐藏层，计算出隐藏层序列：

hi＝(hi₁,hi₂,……,hi_n)

和一个输出序列：

h＝(h₁,h₂,……,h_n)；

S4-2:将隐藏层的RNN细胞替换为LSTM细胞，具有长期记忆能力，最终得到：

i_t＝σ(w_i[h_t-1,x_t]+b_i)

f_t＝σ(w_f[h_t-1,x_t]+b_f)

c_t＝f_tc_t-i+i_ttanh(w_α[h_t-1,x_t]+b_c)

O_t＝σ(w_o[h_t-1,x_t]+b_o)

h_t＝O_ttanh(c_t)

其中i_t、f_t、c_t、O_t、h_t分别为当前一次预测的输入门、遗忘门、细胞状态、输出门以及最后的输出结果；w和b分别为对应的权重系数矩阵和偏置项；σ和tanh分别为sigmoid和双曲正切激活函数；

S4-3:按照前向计算方法计算输入门输出值，通过反向计算输入门与输出门的误差项，根据误差项获得每个权重的梯度，并通过随机梯度下降算法更新权重得出h_t，通过h_t的迭代获得剩余容量预测值f₂(x)；

S5:将S3和S4剩余容量预测值f₁(x)、f₂(x)进行计算的误差获得误差值，通过初始权值的迭代寻找到更好的近似解，求得非线性多元函数最小值，最终得出对应两种算法权重，并通过最优权值构建结合最优组合模型；所述S5的包括：

S5-1：S3和S4分别获得的剩余容量预测值f₁(x)、f₂(x)对应权系数组合，结合预测值为：

f_t＝k₁f₁+k₂f₂

其中k₁与k₂分别为f₁(x)、f₂(x)对应的权系数，表示支持向量回归模型与长短期记忆网络模型的误差值对应的权系数；

两种方法的预测误差分别为：

y_i与f_i分别表示每种方法训练过程中的每个值对应的真实值与预测值，n为训练集总数，得到每种预测方法对应的平均误差值e_i，因此结合预测误差为：

e_t＝y_t-f_t＝k₁e₁+k₂e₂

其中y_t与f_t表示每种训练方法的真实值与预测值的集合，预测方法的预测权系数为：

K_t＝[k₁,k₂]^T；

使用两种算法的误差平方和分别为：

其中e_t表示经过每种算法中的一个样本对应的误差，第一种与第二种方法的误差以及误差矩阵为：

E_t＝[E₁,E₂]^T

总的误差平方和可以写成:

记R＝[1,1]^T，结合预测的限制条件表示成非线性规划模型为：

其需要满足:

通过加权使得获得的标准差最小，最终通过最优权值得到优化后的组合模型。